使用FAST進行特征檢測

1.選擇圖像中是否要識別為興趣點的像素$p$，使其強度為$I_p$
2.選擇適當(dāng)?shù)拈撝?span id="ozvdkddzhkzd" class="katex--inline">$t$
3.考慮被測像素周圍有16個像素的圓圈。（見下圖）

4.現(xiàn)在，如果圓中存在一組（共16個像素）$n$個連續(xù)的像素，它們均比$I_p+t$亮，或者比$I_p?t$都暗，則像素$p$是一個角。（在上圖中顯示為白色虛線）。n被選為12。
5.建議使用高速測試以排除大量的非角區(qū)域。此測試僅檢查1、9、5和13處的四個像素（如果第一個1和9太亮或太暗，則對其進行測試。如果是，則檢查5和13）。如果p是一個角，則其中至少三個必須全部比$I_p+t$亮或比$I_p?t$暗。如果以上兩種情況都不是，則$p$不能為角。然后，可以通過檢查圓中的所有像素，將完整的分段測試標(biāo)準(zhǔn)應(yīng)用于通過的候選項。該檢測器本身具有很高的性能，但有幾個缺點：
6.它不會拒絕n <12的候選對象。
7.像素的選擇不是最佳的，因為其效率取決于問題的順序和角落外觀的分布。
8.高速測試的結(jié)果被丟棄了。
9.彼此相鄰地檢測到多個特征。
機器學(xué)習(xí)的方法解決了前三點。使用非最大抑制來解決最后一個問題。
讓機器學(xué)習(xí)一個角檢測器

1.選擇一組圖像進行訓(xùn)練（最好從目標(biāo)應(yīng)用程序域中進行訓(xùn)練）
2.在每個圖像中運行FAST算法以查找特征點。
3.對于每個特征點，將其周圍的16個像素存儲為矢量。對所有圖像執(zhí)行此操作以獲得特征向量P。
4.這16個像素中的每個像素（例如$x$）可以具有以下三種狀態(tài)之一：

1.取決于這些狀態(tài)，特征矢量$P$被細(xì)分為3個子集，$P_d$, $P_s$, $P_b$。
2.定義一個新的布爾變量$K_p$，如果$p$是一個角，則為true，否則為false。
3.使用ID3算法（決策樹分類器）使用變量$K_p$查詢每個子集，以獲取有關(guān)真實類的知識。它選擇x，該x通過$K_p$的熵測得的有關(guān)候選像素是否為角的信息最多。
4.遞歸地將其應(yīng)用于所有子集，直到其熵為零為止。
5.這樣創(chuàng)建的決策樹用于其他圖像的快速檢測。
非最大抑制

在相鄰位置檢測多個興趣點是另一個問題。通過使用非極大抑制來解決。

1.計算所有檢測到的特征點的得分函數(shù)$V$。$V$是$p$與16個周圍像素值之間的絕對差之和。
2.考慮兩個相鄰的關(guān)鍵點并計算它們的$V$值。
3.丟棄較低$V$值的那個。
OpenCV中的高速拐角檢測器

它被稱為OpenCV中的任何其他特征檢測器。 如果需要，您可以指定閾值，是否要應(yīng)用非極大抑制，要使用的鄰域等。 對于鄰域，定義了三個標(biāo)志，分別為cv.FAST_FEATURE_DETECTOR_TYPE_5_8，cv.FAST_FEATURE_DETECTOR_TYPE_7_12和cv.FAST_FEATURE_DETECTOR_TYPE_9_16。 以下是有關(guān)如何檢測和繪制FAST特征點的簡單代碼。

import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('simple.jpg',0) # 用默認(rèn)值初始化FAST對象 fast = cv.FastFeatureDetector_create() # 尋找并繪制關(guān)鍵點 kp = fast.detect(img,None) img2 = cv.drawKeypoints(img, kp, None, color=(255,0,0)) # 打印所有默認(rèn)參數(shù) print( "Threshold: {}".format(fast.getThreshold()) ) print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) ) print( "neighborhood: {}".format(fast.getType()) ) print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) ) cv.imwrite('fast_true.png',img2) # 關(guān)閉非極大抑制 fast.setNonmaxSuppression(0) kp = fast.detect(img,None) print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) ) img3 = cv.drawKeypoints(img, kp, None, color=(255,0,0)) cv.imwrite('fast_false.png',img3)

查看結(jié)果。第一張圖片顯示了帶有nonmaxSuppression的FAST，第二張圖片顯示了沒有nonmaxSuppression的FAST.

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的用于角点检测的FAST算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。